1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 实际生产车间调度流程
1.2.2 动态车间调度策略的研究现状
1.2.3 动态车间调度优化算法的研究现状
1.2.4 强化学习在动态车间调度问题的研究现状
1.2.5 国内外现状研究总结
1.3 论文研究内容及组织结构
1.3.1 论文的研究内容
1.3.2 论文的组织结构
1.4 本章小结
2 深度强化学习理论及其在人工调整中的应用方案
2.1 引言
2.2 强化学习概述
2.2.1 智能体的概念
2.2.2 强化学习基本概念
2.2.3 马尔可夫决策过程
2.2.4 Q-learning
2.3 深度强化学习概述
2.3.1 Deep Q-network算法
2.3.2 DPG算法
2.3.3 Actor-Critic算法
2.3.4 DDPG算法
2.4 车间调度人工调整及其模拟策略
2.4.1 人工调整分类及调整策略
2.4.2 基于深度学习、深度强化学习的人工调整问题研究路线
2.5 本章小结
3 基于深度学习的隐性扰动下人工调整策略模拟
3.1 引言
3.2 隐性扰动下人工调整数据样本生成
3.2.1 调整时刻点确定
3.2.2 深度网络的输入
3.2.3 深度网络的输出标签
3.2.4 遗传算法仿真产生样本数据
3.3 基于深度学习的人工调整方式选择实现
3.3.1 数据预处理
3.3.2 深度强化学习网络实现
3.4 本章小结
4 深度强化学习在动态车间调度问题上的应用
4.1 引言
4.2 车间调度问题描述
4.2.1 符号说明
4.2.2 假设条件
4.2.3 目标函数
4.3 车间调度问题的转化
4.3.1 状态空间
4.3.2 动作空间
4.3.3 奖惩函数
4.3.4 环境搭建
4.4 深度强化学习算法
4.4.1 动作探索策略
4.4.2 激活函数的选择
4.4.3 DDPG算法
4.5 实例验证
4.6 本章小结
5 实例分析及可视化平台搭建
5.1 引言
5.2 环境模型配置
5.2.1 开发环境
5.2.2 测试环境
5.3 静态环境
5.4 动态环境
5.5 大规模算例
5.6 系统界面搭建
5.7 本章小结
6 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
西安理工大学;
